Xử lý vi phạm vượt đèn đỏ và dừng đỗ sai dựa trên học sâu

Bài viết Xử lý vi phạm vượt đèn đỏ và dừng đỗ sai dựa trên học sâu đề xuất một giải pháp mới cho hệ thống phát hiện các lỗi vi phạm khác nhau như vượt đèn đỏ, dừng đỗ sai bằng cách sử dụng mạng tích chập YOLOv3 để trích xuất hình ảnh của đối tượng, sau đó thông tin về vị trí của phương tiện được xác định qua thuật toán theo dõi sẽ được dùng để phân loại các vi phạm.

ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 18, NO 5.1, 2020 101 XỬ LÝ VI PHẠM VƯỢT ĐÈN ĐỎ VÀ DỪNG ĐỖ SAI DỰA TRÊN HỌC SÂU RED LIGHT AND WRONG PARKING VIOLATION DETECTION SYSTEM BASED ON DEEP LEARNING Huỳnh Hữu Hưng, Nguyễn Văn Phú, Nguyễn Tường Trường Đại học Bách khoa – Đại học Đà Nẵng; hhhung@dut.udn.vn, nvphu1306@gmail.com, ntuongvn97@gmail.com Tóm tắt - Theo xu hướng phát triển thành phố thông minh, việc xây dựng hệ thống tự động phát lỗi vi phạm cần thiết nhằm giảm áp lực cho cơng tác quản lí giám sát giao thơng Trong báo này, nhóm tác giả đề xuất giải pháp cho hệ thống phát lỗi vi phạm khác vượt đèn đỏ, dừng đỗ sai cách sử dụng mạng tích chập YOLOv3 để trích xuất hình ảnh đối tượng, sau thơng tin vị trí phương tiện xác định qua thuật toán theo dõi dùng để phân loại vi phạm Giải pháp đề xuất thử nghiệm tập liệu video giao thông đ ịa bàn thành phố Đà Nẵng cho kết khả quan với độ xác phát vi phạm lên tới 94% tập liệu ban ngày Với điều kiện môi trường khác, kết phân loại đạt mức từ 40% đến 80% Abstract - Nowadays, smart city is a rising trend; therefore, building a system that can automatically detect violations to reduce the pressure on traffic surveillance is necessary In this paper, the authors have proposed a novel method that can help to detect various traffic violations such as going through red lights or wrong parking by using the YOLOv3 neural network to recognize violating vehicles, then giving information about the position of the vehicles identified by tracking object which can be used to classify the traffic violations The proposed method is evaluated on a Da Nang traffic data set and the experiment has yielded promising results with an accuracy of 94% in morning dataset In other conditions, the results are in the range of 40% and 80% Từ khóa - YOLOv3; mạng tích chập; phát vi phạm giao thông; học sâu Key words - YOLOv3; Convolutional Neural Network; Traffic Violation Detection; Deep Learning Đặt vấn đề vượt đèn đỏ [1], [2], báo này, giải pháp mà nhóm tác giả đưa xử lí vi phạm vượt đèn đỏ đậu đỗ sai quy định dựa thơng tin vị trí phương tiện Dữ liệu sử dụng để huấn luyện cho mơ hình nhận dạng phương tiện trích từ video giao thông địa bàn thành phố Đà Nẵng [7] Các kết thu cho thấy, giải pháp đề xuất cách tiếp cận hứa hẹn việc phát triển hệ thống phát vi phạm giao thơng tự động với độ xác cao dễ dàng cài đặt thực tế Bố cục báo trình bày sau tổng quan giải pháp đề xuất, cấu trúc nguyên lí hoạt động mạng YOLOv3, thuật toán theo dõi đối tượng, phương pháp xác định vi phạm, kết thử nghiệm cuối kết luận Với tăng trưởng số lượng phương tiện, số vụ tai nạn giao thơng tăng nhanh Trong bối cảnh đó, để đảm bảo an tồn giao thơng giảm tối đa tai nạn, cần phải xây dựng hệ thống phát vi phạm giao thông giúp cho việc giám sát giao thông cách hiệu giảm trường hợp lái xe có khả gây nguy hiểm Các hệ thống phát vi phạm giao thông cần phải đáp ứng khả xử lí thời gian thực liên tục 24 Mặt khác, công cụ cần có độ xác cao khả nhận diện phương tiện lỗi vi phạm tốc độ cao môi trường ngoại cảnh khác Gần đây, nghiên cứu sử dụng tín hiệu hình ảnh từ camera giám sát tập trung phát triển Ứng dụng thuật toán di truyền đề cập [1], [2] để phát lỗi vượt vạch dừng tín hiệu đèn đỏ Xiaoling cộng [3] sử dụng kĩ thuật xử lí hình ảnh tách biên optical flow phát đối tượng vi phạm giao thơng Trong [4], mơ hình camera dựa phân tích hình học áp dụng để hỗ trợ cho việc phát đối tượng Các mạng nơron tích chập Faster-CNN Single Shot Mutilbox Detector (SSD) sử dụng [5] để nhận diện đối tượng tham gia giao thông Giải pháp đề xuất sử dụng mơ hình mạng YOLOv3 [6] sử dụng để phát xác định vị trí phương tiện tham gia giao thơng YOLOv3 có ưu điểm tốc độ nhận dạng độ xác SSD FasterCNN, mơ hình mạng phù hợp với yêu cầu xử lí thời gian thực hệ thống Các lỗi vi phạm nghiên cứu trước kể đến di chuyển tốc độ Phương pháp đề xuất 2.1 Tổng quan Theo Hình 1, giải pháp nhóm tác giả chia làm giai đoạn: Phát phương tiện phân loại vi phạm Giai đoạn phát đối tượng thực việc nhận dạng xác định vị trí phương tiện Mơ hình mạng YOLOv3 huấn luyện với liệu từ [7], [8] giúp xác định khung chữ nhật giới hạn phương tiện tham gia giao thơng Vị trí phương tiện xác định vị trí tâm khung giới hạn Trong giai đoạn tiếp theo, dựa vào thơng tin vị trí phương tiện tham số biết vị trí đường quy định, vị trí vạch giới hạn, ngưỡng thời gian giới hạn cho việc đậu đỗ để xác định phương tiện giao thơng có vi phạm hay khơng phân vào nhóm Hình ảnh vi phạm lưu trữ để quản lí đối chiếu cần Huỳnh Hữu Hưng, Nguyễn Văn Phú, Nguyễn Tường 102 𝑜𝑏𝑗 Trong đó, 1𝑖𝑗 đối tượng, ngược lại 0; ( ) 𝑝̂ 𝑖 𝑐 Biểu thị xác xuất đối tượng thuộc phân lớp c; Ký hiệu ^ đầu biểu diễn tham số dự đoán - Hàm mát dự đốn vị trí đối tượng Độ mát xác định vị trí tính dựa lỗi sai số bình phương kích thước vị trí khung dự đoán khung gán nhãn: 𝑆2 𝐵 𝑜𝑏𝑗 ] 𝜆 𝑐𝑜𝑜𝑟𝑑 ∑ ∑ 1𝑖𝑗 [ (𝑥 𝑖 − 𝑥̂𝑖 )2 + (𝑦𝑖 − 𝑦̂) 𝑖 𝑖=0 𝑗 =0 𝑆2 𝐵 2 [(√𝑤𝑖 − √𝑤 + 𝜆𝑐𝑜𝑜𝑟𝑑 ∑ ∑ 1𝑜𝑏𝑗 ̂) + (√ℎ 𝑖 − √ℎ̂𝑖) ] 𝑖 𝑖𝑗 𝑖=0 𝑗=0 (2) Trong đó, 𝑥 𝑖 𝑦𝑖 : Toạ độ trung tâm khung; 𝑤𝑖 , ℎ𝑖 : Chiều rộng chiều cao khung; 𝜆 𝑐𝑜𝑜𝑟𝑑 : Tăng lượng mát cho toạ độ khung dự đoán - Hàm mát độ tin cậy đối tượng phát khung dự đoán: ∑𝑆𝑖=0 ∑𝐵𝑗=0 1𝑜𝑏𝑗 ̂ 𝑖𝑗 (𝐶𝑖 − 𝐶𝑖 ) (3) 𝐶̂𝑖 độ tự tin khung dự đốn thứ j lưới thứ i 𝑜𝑏𝑗 1𝑖𝑗 khung dự đoán thứ j ô lưới i chịu trách nhiệm phát đối tượng, ngược lại Hình Tổng quan giải pháp đề xuất - Hàm mát độ tin cậy đối tượng khơng phát khung dự đốn 2.2 Mơ hình mạng YOLOv3 2.2.1 Cấu trúc mạng 𝑛𝑜𝑜𝑏𝑗 𝜆 𝑛𝑜𝑜𝑏𝑗 ∑𝑆𝑖=0 ∑𝐵𝑗=0 1𝑖𝑗 (𝐶𝑖 − 𝐶̂𝑖 )2 (4) 𝜆 𝑛𝑜𝑜𝑏𝑗 Giảm trọng lượng độ mát phát ảnh - Hàm mát cuối tổng hàm mát dự đốn vị trí, độ tin cậy, phân loại ta được: 𝑆2 𝐵 𝑜𝑏𝑗 ] 𝜆 𝑐𝑜𝑜𝑟𝑑 ∑ ∑ 1𝑖𝑗 [ (𝑥 𝑖 − 𝑥̂𝑖 )2 + (𝑦𝑖 − 𝑦̂) 𝑖 𝑖=0 𝑗 =0 𝑆2 𝑜𝑏𝑗 + 𝜆 𝑐𝑜𝑜𝑟𝑑 ∑ ∑ 1𝑖𝑗 [( √𝑤𝑖 − √̂) 𝑤𝑖 + ( √ℎ𝑖 − √ℎ̂𝑖 ) ] Hình Cấu trúc mạng tích chập YOLOv3 [9] Mơ hình mạng YOLOv3 xây dựng dựa cấu trúc mạng Darket [10] với 53 lớp Nhưng với nhiệm vụ phát hiện, mạng biến thể thêm 53 lớp xếp chồng lên Từ mạng YOLOv3 có đến 106 lớp 2.2.2 Hàm mát Hàm mát sử dụng trình huấn luyện xây dựng dựa hàm sai số bình phương nhãn dự đốn nhãn để tính tốn độ sai lệch Hàm mát mơ hình mạng YOLOv3 bao gồm: - Hàm mát dự đoán phân loại Nếu đối tượng phát hiện, độ mát phân loại cho đối tượng sai số bình phương xác xuất nhãn thật nhãn dự đoán: 2 ∑𝑆𝑖=0 1𝑜𝑏𝑗 ∑𝑐 ∈𝑐𝑙𝑎𝑠𝑠𝑒𝑠 (𝑝𝑖 (𝑐) − 𝑝̂ ( ) 𝑖 𝑐 ) 𝑖𝑗 𝐵 (1) 𝑖 =0 𝑗=0 𝑆2 𝐵 𝑜𝑏𝑗 + ∑ ∑ 1𝑖𝑗 (𝐶𝑖 − 𝐶̂𝑖 )2 𝑖 =0 𝑗=0 𝑆2 𝐵 𝑛𝑜𝑜𝑏𝑗 + 𝜆 𝑛𝑜𝑜𝑏𝑗 ∑ ∑ 1𝑖𝑗 (𝐶𝑖 − 𝐶̂𝑖 )2 𝑖=0 𝑗=0 𝑆2 𝑜𝑏𝑗 + ∑ 1𝑖𝑗 𝑖 =0 ( ) ∑ (𝑝𝑖 (𝑐 ) − 𝑝̂ 𝑖 𝑐 ) 𝑐∈𝑐𝑙𝑎𝑠𝑠𝑒𝑠 (5) 2.3 Mô tả cách hoạt động mạng YOLOv3 Mạng YOLOv3 chia hình ảnh đầu vào thành S x S ô lưới Mỗi mơ lưới dự đốn đối tượng Ví dụ, ta xét hình ảnh bên ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CƠNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 18, NO 5.1, 2020 103 Hình Mạng lưới S x S [11] Hình Vết di chuyển phương tiện Ơ lưới màu vàng dự dốn đối tượng nơi mà trung tâm đối tượng đặt lưới Mỗi lưới dự đốn số khung giới hạn định Trong ví dụ, lưới màu vàng sử dụng khung giới hạn để xác định đâu vị trí đối tượng Để phân tích chuyển động, hướng di chuyển đối tượng thể vector, vector độ chuyển dời tâm đối tượng Sơ đồ Hình quy định hệ quy chiếu sử dụng báo cáo Hình Sơ đồ phân tích góc Để xác định chuyển động hợp lệ, nhóm tác giả sử dụng biểu đồ phân tán góc so với khoảng cách theo Hình 8: Hình Mỗi lưới dự đốn khung giới hạn [11] Mỗi lưới dự đốn B khung giới hạn khung có độ tự tin Mỗi dự đốn xác suất C lớp khung giới hạn Mỗi khung giới hạn có phần tử: (x, y, w, h) vị trí khung độ tự tin khung Độ tự tin khung phản ánh khả khung có chứa đối tượng độ xác Mỗi lưới dự đốn xác xuất C lớp xác xuất lớp xác xuất đối tượng phát thuộc lớp cụ thể 2.4 Thuật toán theo dõi đối tượng Để phát triển thuật toán theo dõi đối tượng khung hình, nhóm tác giả sử dụng mơ hình huấn luyện để phát nhận dạng đối tượng có khung hình Một tệp nhật ký sử dụng để thu thập tất toạ độ trọng tâm cho đối tượng Thơng tin từ tập nhật kí giúp vẽ kiểm tra đường đối tượng Danh sách toạ độ trung tâm lưu tập nhật kí: Hình Danh sách toạ độ trung tâm Các dấu vết xe cá nhân vẽ hình ảnh sau: Hình Biểu đồ phân tán góc so với khoảng cách - Các điểm xanh đại diện cho chuyển động hợp lệ mà nhóm tác giả xác định cách sử dụng danh sách điểm cho đối tượng - Điểm đỏ thể chuyển động không hợp lệ - vector điểm đường giao thông liền kề - Hai đường cong giới hạn định nghĩa theo (6) (7) sử dụng để loại bỏ vector không hợp lệ Bất kỳ điểm nằm hai đường cong coi hợp lệ Các điểm hợp lệ thể chuyển động phía camera góc di chuyển phần lớn từ -45° đến 45°, chuyển động ngang nhỏ có q trình di chuyển giữ lại Tuỳ thuộc vào vị trí camera mà toạ độ đỉnh parabol (6) tham số khác thiết lập 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒 = −0.008 (𝑎𝑛𝑔𝑙𝑒 − 25) + 30 (6) 𝑑𝑖𝑠𝑡𝑎𝑛𝑐𝑒 = 10 (7) Để thực thi thuật toán, phương tiện V cần có thơng tin sau: Huỳnh Hữu Hưng, Nguyễn Văn Phú, Nguyễn Tường 104 - Định danh; - Danh sách vị trí, vị trí phát gần đầu danh sách; thời gian đỗ xe đối tượng khu vực cấm, vượt q thời gian quy định thơng báo lưu thông tin vào sở liệu - Bộ đếm nhìn thấy lần cuối - số lượng khung hình kể từ lần cuối nhìn thấy xe này; - Thuộc tính đánh dấu để xem xe tính hay chưa Một danh sách L sử dụng để lưu trữ phương tiện theo dõi Trên khung hình, nhóm tác giả sử dụng danh sách khung giới hạn vị trí phương tiện để cập nhật L Thuật toán: Theo dõi đối tượng tham gia giao thông Đầu vào: Danh sách phương tiện L, danh sách vị trí đối tượng phát P Đầu ra: Danh sách phương tiện L cập nhật 1: Đối với phương tiện L: 1.1: Nếu vị trí hợp lệ, cập nhật vị trí xe đặt lại đếm nhìn thấy lần cuối 1.2: Nếu khơng, tăng đếm nhìn thấy lần cuối cho phương tiện 2: Tạo phương tiện V vị trí cịn lại thêm vào L 3: Với phương tiện L: 3.1: Nếu phương tiện chưa đếm, cập nhật tổng số đánh dấu phương tiện 3.2: Nếu đếm nhìn thấy lần cuối vượt ngưỡng, loại bỏ phương tiện khỏi L 2.5 Hệ thống phát vi phạm 2.5.1 Phát vi phạm vượt đèn đỏ Hình 10 Minh hoạ phát vi phạm đậu đỗ sai Kết thực nghiệm Dữ liệu huấn luyện cho mơ hình nhận dạng phương tiện lấy camera giám sát giao thông thông minh thành phố Đà Nẵng tập liệu COCO [7], [8] bao gồm 30000 hình ảnh phương tiện giao thơng Mặt khác, để đánh giá khả phân loại vi phạm giải pháp, nhóm tá c giả sử dụng tổng cộng 306 video vi phạm giao thông điều kiện ngoại cảnh khác bao gồm điều kiện ánh sáng ban ngày, trời mưa trời tối lấy từ [7], có 195 video phương tiện vượt đèn đỏ lại vi phạm đậu đỗ sai quy định Giải pháp đề xuất cài đặt ngôn ngữ Python tảng Flask, ReactJS đề cài đặt mơ hình thử nghiệm cho giải pháp Máy tính chạy mơ hình trang bị card đồ hoạ Ndivia GTX 1070Ti Hình Minh hoạ bắt lỗi vi phạm vượt đèn đỏ Hình mơ tả thơng số ban đầu q trình phát vi phạm phương tiện Các thông số ban đầu cần xác định tín hiệu đèn đỏ vị trí vạch giới hạn Trong tốn sử dụng mạng YOLOv3 (đã mô tả phần trước) để phát nhận dạng phương tiện Phương tiện nhận dạng trích xuất thơng tin vị trí để định phương tiện có vượt đèn đỏ hay khơng Trong thời gian đèn tín hiệu đèn giao thông chuyển sang màu đỏ, phát có đối tượng vượt qua vạch giới hạn lưu lại thông tin đối tượng vào sở liệu 2.5.2 Phát vi phạm đậu đỗ sai Tương tự phát vi phạm vượt đèn đỏ, thông số đầu vào trường hợp phát vi phạm đậu đỗ sai vị trí khu vực cấm đậu đỗ Sau phát phương tiện tham gia giao thông, tiến hành theo dõi đối tượng Kiểm tra Hình 11 Mơ hình thử nghiệm Kết phát vi phạm vượt đèn đỏ: Bảng Kết thử nghiệm ban ngày Thực tế Module Độ xác Số lượng vi phạm (xe máy) Số khung hình vi phạm trung bình (xe máy) 50 44 88 % 18 16 88,8 % Số lượng vi phạm (ô tô) 50 46 92 % Sơ khung hình vi phạm trung bình (ơ tơ) 18 14 77,7 % ISSN 1859-1531 - TẠP CHÍ KHOA HỌC VÀ CÔNG NGHỆ - ĐẠI HỌC ĐÀ NẴNG, VOL 18, NO 5.1, 2020 Bảng Kết thử nghiệm trời mưa Thực tế Module Độ xác Số lượng vi phạm (xe máy) Số khung hình vi phạm trung bình (xe máy) Số lượng vi phạm (ô tô) Số khung hình vi phạm trung bình (ơ tơ) 40 34 85% 18 11 61,1 % 40 35 87,5 % 18 12 66,7 % Bảng Kết thử nghiệm trời tối Thực tế Module Độ xác Số lượng vi phạm (xe máy) 50 20 40 % Số khung hình vi phạm trung bình (xe máy) 18 44,4 % 50 29 58 % 18 50 % Số lượng vi phạm (ơ tơ) Số khung hình vi phạm trung bình (ô tô) Từ bảng kết cho việc phát vi phạm lỗi vượt đèn đỏ, thấy, giải pháp đề xuất hoạt động hiệu môi trường đủ ánh sá ng Cụ thể, phương tiện giao thông di chuyển vào ban ngày, với độ cao 90% Bảng Ở điều kiện khác thể Bảng 3, độ xác gỉải pháp giảm Độ xác số lượng vi phạm độ xác số khung hình xấp xỉ cho thấy tương đồng hai kết Độ xác khung hình cao thể vi phạm báo cáo nhạy với giải pháp đề xuất Kết phát vi phạm dừng đỗ sai quy định: Bảng Kết thử nghiệm ban ngày Số lượng vi phạm Thực tế Module Độ xác 67 63 94.02% Bảng Kết thử nghiệm trời mưa Số lượng vi phạm Thực tế Module Độ xác 22 19 86.3% Bảng Kết thử nghiệm buổi tối Số lượng vi phạm Thực tế 22 Module 13 Độ xác 59% Tương tự với kết trường hợp phát lỗi vi phạm vượt đèn đỏ, từ Bảng 4, 5, cho thấy, độ xác việc phát vi phạm đậu đỗ sai mơi trường có ánh sáng đạt mức tạm ổn, điều khả nhận dạng phương tiện mơ hình YOLOv3 thử nghiệm khơng tốt Chú ý kết thử nghiệm với module dừng đỗ sai nhóm tác giả khơng đánh giá số khung hình vi phạm đối tượng trường hợp đối tượng không di chuyển nên 105 kết số khung hình thực tế với kết module phát Kết luận Bài báo đề xuất giải pháp hồn chỉnh cài đặt thực tế giúp phát vi phạm vượt đèn đỏ đậu đỗ sai quy định Giải pháp đưa có độ xác cao môi trường đủ ánh sáng đáp ứng yêu cầu xử lí thời gian thực với cấu hình máy tính thử nghiệm Việc sử dụng mơ hình mạng YOLOv3 tỏ phù hợp với việc phát phương tiện tham gia giao thông Tuy nhiên, với hạn chế liệu phương tiện giao thông nên độ xác chưa hồn tồn tuyệt đối đạt mức ổn định môi trường ban ngày, mặt khác, tượng phương tiện giao thông di chuyển nhanh làm giảm khả nhận dạng phương tiện mơ hình Thuật tốn theo dõi đối tượng xác định vi phạm hoạt động tốt nhiện phụ thuộc vào khả nhận dạng phương tiện tham gia giao thông TÀI LIỆU THAM KHẢO [1] Aaron Christian P Uy, Ana Riza F Quiros, Rhen Anjerome Bedruz, Alexander Abad, Argel Bandala, Edwin Sybingco, Elmer P Dadios; “Automated Traffic Violation Apprehension System Using Genetic Algorithm and Artificial Neural Network”; 2016 IEEE Region 10 Conference (TENCON); Singapore [2] Aaron Christian P Uy, Rhen Anjerome Bedruz, Ana Riza Quiros, Argel Bandala, Elmer P Dadios ; “Machine Vision for Traffic Violation Detection System through Genetic Algorithm”; 2015 International Conference on Humanoid, Nanotechnology, Information Technology, Communication and Control, Environment and Management (HNICEM); Phillipines [3] Xiaoling Wang, Li-Min Meng, Biaobiao Zhang, Junjie Lu, K.-L Du; “A Video-based Traffic Violation Detection System”; Proceedings 2013 International Conference on Mechatronic Sciences, Electric Engineering and Computer (MEC); Shengyang, China [4] Julien A Vijverberg, Nick A.H.M de Koning, Jungong Han, Peter H.N de With, Dion Cornelissen; “High-Level Traffic-Violation Detection for Embedded Traffic Analysis”; 2007 IEEE International Conference on Acoustics, Speech and Signal Processing - ICASSP '07; Honolulu, USA [5] Jakub Špaňhel, Jakub Sochor, Aleksej Makarov; “Detection of Traffic Violations of Road Users Based on Convolutional Neural Networks”; 2018 14th Symposium on Neural Networks and Applications (NEUREL); Belgrade, Serbia [6] Joseph Redmon, Santosh Divvala, Ross Girshick, Ali Farhadi; “You Only Look Once: Unified, Real-Time Object Detection”; 2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR); Las Vegas, NV, USA [7] Trung tâm vi mạch Đà Nẵng; “Hệ thống camera giám sát thông minh”; http://camera.centic.vn [8] “Common Object In Context”; http://cocodataset.org/ [9] Ayoosh Kathuria; “What’s new in YOLO v3?”; http://towardsdatascience.com [10] J Redmon; “Darknet”; https://github.com/pjreddie/darknet [11] Jonathan Hui; “Real-time Object Detection with YOLO, YOLOv2 and now YOLOv3”; http://medium.com/@jonathan_hui/ (BBT nhận bài: 26/02/2020, hoàn tất thủ tục phản biện: 19/4/2020) ... vào sở liệu 2.5.2 Phát vi phạm đậu đỗ sai Tương tự phát vi phạm vượt đèn đỏ, thông số đầu vào trường hợp phát vi phạm đậu đỗ sai vị trí khu vực cấm đậu đỗ Sau phát phương tiện tham gia giao thông,... vượt đèn đỏ hay khơng Trong thời gian đèn tín hiệu đèn giao thơng chuyển sang màu đỏ, phát có đối tượng vượt qua vạch giới hạn lưu lại thơng tin đối tượng vào sở liệu 2.5.2 Phát vi phạm đậu đỗ. .. Kết phát vi phạm vượt đèn đỏ: Bảng Kết thử nghiệm ban ngày Thực tế Module Độ xác Số lượng vi phạm (xe máy) Số khung hình vi phạm trung bình (xe máy) 50 44 88 % 18 16 88,8 % Số lượng vi phạm (ô